Newsletter | Impressum | Mediadaten | Kontakt
Logo von 3D-Micromac AG
Logo von BMF - Boston Micro Fabrication
Logo von BUSCH Microsystems Consult GmbH
Logo von COHERENT
Logo von COLANDIS GmbH
Logo von GFH GmbH
Logo von InnoLas Solutions GmbH
Logo von Infotech AG
Logo von LaVa-X GmbH
Logo von Leonhardt Graveurbetrieb
Logo von LT Ultra-Precision Technology GmbH
Logo von MAFAC - E. Schwarz GmbH & Co. KG
Logo von maxon motor gmbh
Logo von MKS Instruments - Newport Spectra-Physics GmbH
Logo von Nanoscribe GmbH
Logo von piezosystem jena GmbH
Logo von PM B.V.
Logo von POSALUX SA
Logo von Pulsar Photonics GmbH
Logo von SCANLAB GmbH
Logo von SPHINX Werkzeuge AG
Logo von Steinmeyer Mechatronik GmbH
Logo von Fritz Studer AG
Logo von WITTMANN BATTENFELD GmbH
Logo von Zecha Hartmetall-Werkzeugfabrikation GmbH

Neue Studie zum Einsatz von künstlicher Intelligenz



Um künstliche Intelligenz (KI) nutzen zu können, braucht ein Unternehmen nicht zwingend einen ausgewiesenen Fachmann. Eine Fraunhofer-Studie zeigt, wie kleine und mittlere Unternehmen stattdessen vorgehen können. Künstliche Intelligenz hilft dabei, Produktionsabläufe zu optimieren und so Geld zu sparen. Kleinen und mittleren Unternehmen fehlt allerdings oft die Expertise, um die Technologie zu nutzen. Sie können zwar die nötigen Daten sammeln, scheitern jedoch an deren Analyse. Hier helfen große Cloud-Anbieter. Sie bieten einfache digitale Werkzeuge, die große Datensätze verarbeiten und KI-Lösungen liefern. Experten sprechen von ›Machine-Learning-as-a-Service-Plattformen‹. So kann jedes Unternehmen ohne große Erfahrung in die Künstliche Intelligenz einsteigen und sich Modelle entwickeln lassen, die etwa fehlerhafte Werkstücke automatisch erkennen.

 

Gängigste Anwendungsfälle auf vier Plattformen im Vergleich

 

Aber welche Plattform ist für welche Aufgabe geeignet? Die Stuttgarter Fraunhofer-Institute für Produktionstechnik und Automatisierung IPA und für Arbeitswirtschaft und Organisation IAO haben die Ansätze der vier größten Anbieter – AWS, Google, IBM und Microsoft – verglichen. Sie setzten Lösungen für vier Anwendungsfälle um, die in der Praxis häufig vorkommen und vier Kategorien von Daten umfassen: Tabellarische Daten, Text-, Bild- und Zeitreihendaten:

 

• Bilderkennung: Bei der Produktion spielt die Bildanalyse eine wichtige Rolle. So lassen sich mit Kamerasystemen Defekte auf dem Werkstück feststellen. KI hilft dabei, diese Kontrolle zu automatisieren. Aus einer Vielzahl mit Metadaten versehener, sogenannter annotierter Bilder lernt die KI, Fehler zu erkennen.

 

• Werkzeugabnutzung: Einen Fräskopf zum richtigen Zeitpunkt auszutauschen, spart Geld. Wer zu früh eingreift, verschenkt Material, wer zu spät eingreift, riskiert einen langen Stillstand der Produktion. KI lernt, die Zeitreihendaten von Vibrationen und Stromverbrauch zu deuten, um den Zustand des Fräskopfs richtig abzuschätzen.

 

• Kundenabwanderung: Für Hotels ist es vorteilhaft, frühzeitig zu wissen, bei welchen Gästen eine Stornierung droht. Möglicherweise steckt in den tabellarischen Buchungsdaten bereits ein Hinweis. KI kann ihn aufspüren und einen entsprechenden Algorithmus entwickeln.

 

• Textkategorisierung: Texte können verschiedenen Sparten zugewiesen werden, etwa Kultur, Sport und Politik. So kann zum Beispiel eine Presseagentur automatisch ein Archiv pflegen.

 

In der Regel gilt für KI-Lösungen: Je mehr Daten zur Verfügung stehen und umso besser die Qualität der Daten ist, desto zuverlässiger arbeitet das gewonnene Modell. Beim Vergleich der Plattformen haben die Fraunhofer-Wissenschaftler stets den zugänglichsten Lösungsweg gewählt. Dabei mussten oft lediglich die Datensätze hochgeladen und mit einer Annotation versehen werden: Bei der Bildverarbeitung hieße das etwa, jedes Bild mit dem Zusatz korrekt oder fehlerhaft zu versehen. Die Plattform lieferte dann das gewünschte Modell samt der Vorhersagegenauigkeit.

 

Die Fraunhofer-Studie hat ergeben, dass die Lösungen aller Anbieter Stärken aufzeigen und kein tiefes Fachwissen voraussetzen. Natürlich gibt es den einen oder anderen Unterschied. So lassen sich manche Plattformen intuitiver bedienen als andere. Auch laufen manche KI-Modelle nur auf der Cloud des Anbieters, andere können auch exportiert und auf unternehmenseigenen Servern installiert werden. Welche Plattform für welchen Anwendungsfall empfohlen werden kann, wird in der Studie ›Cloudbasierte KI-Plattformen – Chancen und Grenzen von Diensten für Machine Learning as a Service‹ dargestellt.

 

Die Studie steht hier zum Download bereit.